ComfyUI效率节点Efficient示例

文生图工作流

1. Efficient Loader节点用于高效加载和缓存模型

ckpt_name：选择要加载的检查点模型的名称。通常选择你的主要模型名称
vae_name：定义要使用的VAE（变分自编码器）模型。一般选择与你的主要模型匹配的VAE，或者使用默认的。
clip_skip：决定跳过CLIP模型的层数。通常设置为1或2，层数越多对生成图像影响越大。
lora_name：指示要应用的LoRA（低秩适应）模型的名称。如果需要特定风格或效果，可以选择相应的LoRA模型。
lora_model_strength：设置LoRA模型对基础模型的影响强度。一般在0.5-1之间，根据需要的风格效果调整。
lora_clip_strength：调整LoRA模型对CLIP模型的影响强度。设置与lora_model_strength类似的值即可。
positive：输入正向提示词的文本框。描述你希望图像包含的特征。
negative：输入反向提示词的文本框。描述你希望图像避免的特征。
token_normalization：定义如何归一化tokens。一般选择“none”或“length”。
weight_interpretation：确定提示词中权重的解释方式。选择“comfy”或“A1111”。
batch_size：指定批处理图像的数量。根据显存大小调整，通常在1-4之间。
lora_stack：允许堆叠多个LoRA模型。启用此选项可以组合多个LoRA效果。
cnet_stack：允许堆叠ControlNet模型。启用此选项可以控制图像生成的多个方面。

2. kSampler (Efficient)节点用于优化采样过程

model：选择要使用的模型。通常选择你的主模型，如"Stable Diffusion"。
seed：设置随机种子，确保结果一致。使用相同种子可以重现图像。
steps：定义采样步骤数。步骤越多，图像细节越丰富，建议设置在50-100之间。
cfg：配置缩放因子，控制模型对提示词的遵从度。常用范围在7-15之间，数值越高图像越符合提示词。
sampler_name：选择采样算法。常用的选项是“euler_ancestral”或“ddim”。
scheduler：定义调度器，控制采样过程。一般选择“normal”或“karras”。
positive：输入正向提示词。描述你希望图像包含的元素。
negative：输入负向提示词。描述你希望图像避免的元素。
latent_image：输入潜在空间图像。用于在已有潜在空间图像基础上生成新图像。
denoise：设置去噪强度。通常在0.5-1之间，数值越高图像越干净。
preview_method：选择预览方法。一般使用“auto”。
vae_decode：指定是否解码潜在空间图像。大多数情况下选择“true”。
optional_vae：选择可选的VAE模型。如果有特定的VAE模型需求，选择对应模型。
script：指定要运行的脚本。通常保持默认即可，除非有特定需求。